SLAM应用技术分析

最新推荐文章于 2023-11-14 08:30:00 发布

hanhan不是很憨憨

最新推荐文章于 2023-11-14 08:30:00 发布

阅读量873

点赞数

分类专栏： SLAM 文章标签：计算机视觉

本文链接：https://blog.csdn.net/weixin_50737833/article/details/114622882

版权

1 篇文章 0 订阅

订阅专栏

1. 传感器

作用：对水下采集的图像进行细节增强。
使用方法：不使用RGB格式的图像，对RGB三个通道都进行直方图均衡化容易造成严重失真；使用YUV格式的图像，先将RGB格式图片转为YUV图片，然后在YUV三个通道中，只对Y通道进行直方图均衡化（改变图像清晰度与亮度），由此得到的保真图像效果更好。

图彩色图像直方图均衡化流程
缺点：直方图均衡化算法在处理图像的时候，不会针对部分区域进行处理，而是整张图像处理，从而造成某些有用信息的丢失。——直观表现为，在原图亮度比较高的地方图像增强后特征提取的数量减少，亮度较低的地方则有增多。

简介：可以通过深度学习算法提取图片图像特征。
特点：卷积神经系统可以在TensorFlow上进行构建并随时修改，增加神经网络深度，是模型抽象能力更强，提高图像识别的准确率。
流程：（1）通过机器学习建立一个关于水下物体的库。（2）通过摄像头抓取物体图像信息进行传输并处理图像，并交给分类器进行分类。（2）对提取的图像与TensorFlow搭建的比较库进行特征比较，以实现水下物体的识别。
缺点：图像识别需要大量的数据，水下图像的数据太少；水下亮度不够，容易导致识别器“色盲”，影响机器人的颜色识别，智能通过物体形状进行识别。

简介：凭借C语言课完成核心算法的机器视觉模块OpenMV。
特点：低成本、灵活、易于使用。本质是拥有图像识别功能的STM32单片机，可以结合其他单片机模块进行控制，如树莓派等。
内容：（1）色块识别为二值化处理图像颜色（图像分割最简单的方法），并通过遍历最小和最大灰度值和使用类间方差原理得出最佳阈值，实现目标和背景分离。（2）通过选择颜色空间来实现阈值处理。（3）扫描找出对象个数，计算区域像素个数，换算成区域面积大小，最后进行联通阈检索，就可以凸显出目标，实现识别过程。（4）用Camshift算法消除捕捉目标运动产生的影响：Camshift可以根据目标像素快的面积自动调节搜索框大小，从而连续追踪。
缺点：OpenMV受限于物理分辨率，成像质量不如人意。同时本身没有防抖结构，水下作业时不稳定，可能导致色块捕捉丢失。

作用：构建水下三维地图。
功能：稠密法建图——环形监测。
配置：适用于单目与双目相机。
特点：为闭环检测的匹配节省了大量的时间。
思想：假设更频繁的被访问的定位点比其他的定位点更易于形成闭环。这样一个定位点被连续访问的次数就可以用来衡量其易于形成闭环的权重。当需要从WM(Working Memory)转移定位点到LTM（Long-Term Memory）中时，优先选择具有最低权重的定位点。如果具有最低权重的定位点又有多个时，优先选择被存储时间最长的那一个。——换言之，近期访问点STM(Short-Term Memory)选查的勤的，远期访问点LTM（Long-Term Memory）选更久没查的。

特点：算法的时间复杂度相对于其他的算法时间复杂度更低，且对图像尺寸不敏感，鲁棒性更高。
内容：算法匹配过程分为粗匹配和精匹配。粗匹配首先提取分块编码特征，分块完毕后，将图像中多余的行和列裁剪掉。最后将模板特征向量与子图特征向量比较，选取相似度最高的子图；精匹配使用相位相关法修正粗匹配结果的误差。
要求：假设最新采样的子图，与之前采样的所有子图，分别当做模板和搜索图的子块，该算法就可用于闭环检测。